آموزش پیش‌بینی سری‌های زمانی با پایتون: از مدل‌سازی تا استقرار در محیط عملیاتی - آخرین آپدیت

مبانی سری‌های زمانی و مهندسی داده‌ها Time Series Foundations & Data Engineering

• پیش‌بینی سری‌های زمانی چیست؟ What Is Time Series Forecasting?

• معرفی پروژه: فروش نیمه‌هادی‌ها و سهام انویدیا Meet the Project — Semiconductor Sales & NVIDIA Stock

• راه‌اندازی محیط پایتون Setting Up the Python Environment

• جمع‌آوری داده‌های پروژه از APIها و منابع عمومی Acquiring Project Data — APIs & Public Sources

• بارگذاری، بررسی و پاک‌سازی داده‌های سری زمانی Loading, Inspecting & Cleaning Time Series Data

• مهندسی ویژگی‌ها و ادغام داده‌های چند منبعی Feature Engineering & Merging Multi-Source Data

• تبدیلات داده‌ها: Log، Box Cox و تفاضل‌گیری Transformations — Log, Box-Cox & Differencing

• مقیاس‌بندی، نرمال‌سازی و استراتژی‌های تقسیم داده به آموزش و تست Scaling, Normalization & Train-Test Split Strategies

• بصری‌سازی روندها و الگوها Visualizing Trends & Patterns

• تجزیه فصلی: روند، فصلی بودن و باقی‌مانده‌ها Seasonal Decomposition — Trend, Seasonality, Residuals

• تست ایستا بودن: ADF و KPSS Stationarity Testing — ADF & KPSS

• تحلیل خودهمبستگی: ACF و PACF Autocorrelation Analysis — ACF & PACF

مدل‌های پیش‌بینی آماری کلاسیک Classical Statistical Forecasting Models

• ساخت پیش‌بینی‌های پایه (Baseline) Building Baseline Forecasts

• هموارسازی نمایی ساده و دوگانه Simple & Double Exponential Smoothing

• مدل Holt-Winters برای فروش فصلی نیمه‌هادی‌ها Holt-Winters for Seasonal Semiconductor Sales

• معیارهای ارزیابی پیش‌بینی: MAE, RMSE, MAPE Forecast Evaluation Metrics — MAE, RMSE, MAPE

• درک مفاهیم AR، MA و مبانی ARIMA Understanding AR, MA & ARIMA Fundamentals

• انتخاب پارامترها و ساخت مدل ARIMA برای بازده سهام Parameter Selection & Building ARIMA for Stock Returns

• مدل‌های SARIMA و SARIMAX: مدل‌سازی فصلی و متغیرهای خارجی SARIMA & SARIMAX — Seasonal & Exogenous Modeling

• تشخیص باقی‌مانده‌ها و فواصل اطمینان Residual Diagnostics & Confidence Intervals

• ساختار داخلی Prophet: نحوه عملکرد Prophet Internals — How It Works

• پیاده‌سازی Prophet برای فروش نیمه‌هادی‌ها Building Prophet for Semiconductor Sales

• افزودن رگرسورها، تعطیلات و اعتبارسنجی متقاطع (Cross Validation) Adding Regressors, Holidays & Cross-Validation

• داشبورد مقایسه مدل‌های آماری Statistical Model Comparison Dashboard

یادگیری ماشین و یادگیری عمیق برای سری‌های زمانی Machine Learning & Deep Learning for Time Series

• تبدیل سری‌های زمانی به یادگیری نظارت شده Reframing Time Series as Supervised Learning

• استفاده از Random Forest و XGBoost برای پیش‌بینی فروش Random Forest & XGBoost for Sales Forecasting

• مدل LightGBM و تنظیم هایپرپارامترها با Optuna LightGBM & Hyperparameter Tuning with Optuna

• اهمیت ویژگی‌ها و تفسیرپذیری با SHAP Feature Importance & SHAP Interpretability

• مدل‌سازی توالی‌ها و آماده‌سازی داده‌ها برای یادگیری عمیق Sequence Modeling & Data Preparation for DL

• ساخت مدل‌های LSTM و GRU برای پیش‌بینی سهام انویدیا Building LSTM & GRU for NVIDIA Stock Prediction

• معماری ترکیبی 1D CNN و CNN-LSTM 1D CNN & CNN-LSTM Hybrid Architecture

• مقابله با بیش‌برازش (Overfitting) در مدل‌های یادگیری عمیق Combating Overfitting in DL Models

• ترانسفورمرهای ادغام زمانی (TFT) Temporal Fusion Transformer (TFT)

• مدل NeuralProphet و استراتژی‌های پیش‌بینی چندگانه NeuralProphet & Multi-Step Forecasting Strategies

• AutoML برای سری‌های زمانی: PyCaret و FLAML AutoML for Time Series — PyCaret & FLAML

• مقایسه نهایی مدل‌های یادگیری ماشین و یادگیری عمیق ML & DL Model Shootout

تحلیل چندمتغیره، مدل‌های ترکیبی و استقرار Multivariate Analysis, Ensembles & Deployment

• علیت گرنجر: آیا فروش تراشه‌ها قیمت سهام را پیش‌بینی می‌کند؟ Granger Causality — Do Chip Sales Predict Stock Prices?

• مدل VAR: اتورگرسیون برداری VAR — Vector Autoregression Model

• هم‌جمعی (Cointegration) و VECM Cointegration & VECM

• مدل Multivariate LSTM: پیش‌بینی مشترک Multivariate LSTM — Joint Forecasting

• استراتژی‌های Ensemble: میانگین‌گیری، Stacking و Blending Ensemble Strategies — Averaging, Stacking & Blending

• ساخت یک خط لوله ترکیبی (آماری + ML + DL) Building a Hybrid Pipeline (Statistical + ML + DL)

• انتخاب و ترکیب بهینه وزن‌ها Optimal Weight Combination & Selection

• داشبورد مقایسه عملکرد مدل‌ها Performance Comparison Dashboard

• ذخیره‌سازی مدل‌ها و ساخت نقطه اتصال FastAPI Saving Models & Building a FastAPI Endpoint

• داشبورد تعاملی پیش‌بینی با Streamlit Interactive Streamlit Forecasting Dashboard

• بازآموزی خودکار، استقرار ابری و مانیتورینگ Automated Retraining, Cloud Deployment & Monitoring

• مرور کامل پروژه از ابتدا تا انتها، چالش‌ها و گام‌های بعدی End-to-End Project Walkthrough, Pitfalls & Next Steps